水质遥感监测的关键要素叶绿素a的反演算法研究进展

叶绿素a浓度是表征水体富营养化程度的重要指标,通过遥感手段反演叶绿素a浓度是实现水体富营养化监测的一个有效途径,已衍生出了一系列叶绿素a浓度反演算法。这些算法各有所长,适用范围也各自有别。由于水体光学特征差异,盲目套用这些算法难以取得预期效果。为了推动水质遥感的进一步发展,从遥感反演的原理和数据源出发,对国内外利用遥感技术反演水体叶绿素a浓度的算法进行综述。根据算法结构设计的不同,将反演算法分为6大类,分别为荧光峰和反射峰算法、波段算法、指数算法、智能算法、基于水体分类的算法体系以及分析类算法,系统地梳理各类算法并分析算法特征。从算法适用的叶绿素a浓度区间和水体类型等角度出发,总结各类算法的适用范围,评述各类算法的优缺点,以期为环境和遥感工作者提供参考。主要结论如下:①Ⅱ类水体算法外推适应性较弱,应建立并补充实测数据集,研究各类水体光学特性异同点,构建基于水体分类的通用算法体系;②无人机技术与高光谱传感器的结合可为内陆水体水质监测提供新思路;③应结合机器学习算法与机理模型,发展物理原理约束的高精度反演模型。

基于无人机可见光影像的荒漠植被分布格局研究方法

植被调查常用的地面样方法,需要大量人力和时间。同时,由于标准样方的尺度通常只有100 m^2,许多植被信息可能无法被揭示出来。为此,本研究开发了一套基于无人机技术的荒漠植被样方调查方法,在此基础上进一步开发出一套植被空间分布格局分析方法,并以内蒙古巴彦淖尔荒漠区典型灌木群落为例,进行了实证研究。具体研究步骤是:首先,通过无人机低空航拍,获取研究区1.44×10~4m^2的可见光影像。其次,经图像处理,进行植被种类识别与分类。最后,利用得到的不同植被类型分布矢量图进行多尺度随机样方布设和植株位置提取,实现基于植被信息完全统计的样方分析和点格局分析。结果表明:分类过程精度高,样方尺度和数量比传统的地面调查扩大数十至百倍,植被信息数据也成倍增加,实现了流程自动化。据我们所知,这是第一个提出基于无人机进行荒漠植被分布格局方法的研究。本研究结果可应用于多种植被和生态学调查,由于可操作性强,该方法也可以推广应用于大范围的荒漠植被调查。